[发明专利]一种无线电测向方法、装置以及可读存储介质

说明书

本发明公开一种无线电测向方法、装置以及可读存储介质，包括接收信号源所发送的无线电信号，根据无线电信号获取对应的无线电特征信息；将所获取的无线电特征信息输入于已预训练的深度神经网络模型进行训练，生成多个表征对应于信号来波方向序列的结果数据以及对应的概率值；选取结果数据中最大概率值所对应的方向节点，根据方向节点选取上一方向节点所对应的第一概率值和下一方向节点所对应的第二概率值；结合最大概率值、第一概率值和第二概率值，确定无线电信号的来波方向。由此，在获取最大概率值之后，取第一概率值和第二概率值作为确定无线电信号的来波方向的参数，并且通过人工智能的方式提高确定来波方向的精准度，无需大量的训练样本。

技术领域

本发明涉及无线技术领域，尤其涉及一种无线电测向方法、装置以 及可读存储介质。

背景技术

无线电测向是指测向站通过测量和计算电磁场参数，确定由测向站 到辐射源的射线与指定的参考方法的夹角。基于无线电测向信息，可以 把已知位置的辐射源用于运动平台导航；可以确定干扰源或非法辐射源， 进行无线电频谱监管；可以跟踪定位通信时的犯罪分子，用于抓捕和打 击犯罪分子；可以在指定方向接收与辐射信号，实现空分多址智能通信； 可以用于射电天文学、地球遥感学科学研究领域，以及搜索救援和探测 等领域。

对于无线电测向系统，其测向误差主要源自测向机外部和内部原因。 其中，外部原因包括无线电波的传播受到障碍物反射波等干扰，或受到 同信道信号及噪声干扰等；内部原因主要是测向系统自身所产生的噪声 和误差的影响，后者包括天线阵元位置误差、天线单元互耦影响、接收 机通道失配等。在测向系统研制过程中，应尽可能降低内部因素对测向 精度的影响。对于天线阵元位置误差、天线单元互耦、接收机通道失配 影响，均已提出了不少各自的校正方法，但实际测向系统中往往存在多 种误差因素并存的情况，在这种情况下目前已有的方法均难以实现有效 校正。这种情况下，一种常用的方法是造表法，但在多种误差因素均较 大的场合造表法的性能往往难以满足实际应用的需要。为此，近年来， 有研究采用人工智能测向方法，基于特征、测向结果数据集及人工智能 模型强大的建模能力构建测向模型。在构建智能测向模型时，常用的两 种体制是基于回归的体制和基于分类的体制，目前已有研究显示基于分 类的体制对模型输入噪声鲁棒性更强，但其测向精度取决于训练样本中 测向网格精度。例如，如果训练集中的测向网格精度为1°，则智能测向 模型的输出结果间隔即为1°。目前如要保证测向精度，则需要大量的训 练样本。

发明内容

本发明实施例提供了一种无线电测向方法、装置以及可读存储介质， 具有无需大量的训练样本即可提高来波方向的精准度的技术效果。

本发明一方面提供一种无线电测向方法，所述方法包括：接收信号 源所发送的无线电信号，并根据所述无线电信号获取对应的无线电特征 信息；将所获取的无线电特征信息输入于已预训练的深度神经网络模型 进行训练，生成多个表征对应于信号来波方向序列的结果数据以及对应 的概率值；选取所述结果数据中最大概率值所对应的方向节点，并根据 所述方向节点选取上一方向节点所对应的第一概率值和下一方向节点 所对应的第二概率值；结合所述最大概率值、第一概率值和第二概率值， 确定所述无线电信号的来波方向。

在一可实施方式中，所述无线电信号由N元天线阵接收；所述深度 神经网络模型包括输入层和输出层，其中所述输入层中神经元数为 N*(N-1)，N＞1，所述输出层中神经元数为M+1，M＞1，M为来波 方向序列数量。

在一可实施方式中，所述深度神经网络模型为长短期记忆网络 LSTM。

在一可实施方式中，所述信号来波方向序列的角度范围为α_l～α_u， 并且α_u＝α_l+Δα，其中α_l为角度下限，α_u为角度上限，Δα为角度间隔。